故障预测方法、装置及存储介质制造方法及图纸

本发明专利技术提供一种故障预测方法、装置及存储介质，所述方法包括：获取车载设备的待识别日志数据；输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型；其中，所述输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型，进一步包括：基于所述待识别日志数据，进行数据处理，获得所述待识别日志数据对应的词向量；基于所述词向量，进行特征提取，获得所述词向量对应的全局特征向量；基于所述全局特征向量，进行分类处理，获得所述故障类型。本发明专利技术实施例提供的故障预测方法，可以快速实时地根据车载设备的日志数据对故障进行准确预测和智能分类。进行准确预测和智能分类。进行准确预测和智能分类。

【技术实现步骤摘要】
故障预测方法、装置及存储介质


[0001]本专利技术涉及信息与通信
，尤其涉及一种故障预测方法、装置及存储介质。

技术介绍

[0002]车载设备是高速铁路列控系统的大脑中枢，是保证其运行安全和运营效率的核心要素。车载设备结构复杂，维修时间紧迫，对其进行快速、准确的故障定位，关系着列车运行效率和安全。车载设备运行过程中会产生应用事件日志，该日志以文本形式记录了车载各个模块正常或故障时的运行状态语句，技术人员通过分析车载日志掌握车载设备每一时刻的状态信息。
[0003]目前铁路现场对车载设备的故障诊断仍依赖人工经验，诊断难度大、故障处理效率低。如何对车载日志进行文本信息挖掘，实现车载设备故障的智能诊断是当前亟待解决的问题。

技术实现思路

[0004]本专利技术提供一种故障预测方法、装置及存储介质，用以解决现有技术中对车载设备的故障诊断效率低的缺陷，实现快速实时地根据数据对故障进行准确预测和智能分类。
[0005]本专利技术提供一种故障预测方法，包括：
[0006]获取车载设备的待识别日志数据；
[0007]输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型；
[0008]其中，所述输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型，进一步包括：
[0009]基于所述待识别日志数据，进行数据处理，获得所述待识别日志数据对应的词向量；
[0010]基于所述词向量，进行特征提取，获得所述词向量对应的全局特征向量；
[0011]基于所述全局特征向量，进行分类处理，获得所述故障类型。
[0012]在一些实施例中，所述基于所述待识别日志数据，进行数据处理，获得所述待识别日志数据对应的文本向量，包括：
[0013]对所述待识别日志数据进行分词处理；
[0014]基于CBOW算法，确定分词处理后的待识别日志数据对应的词向量。
[0015]在一些实施例中，所述基于所述词向量，进行特征提取，获得所述词向量对应的全局特征向量，包括：
[0016]基于所述词向量在所述待识别日志数据中出现的顺序，进行拼接，获取所述待识别日志数据对应的文本矩阵向量；
[0017]对所述文本矩阵向量进行卷积处理，确定所述文本矩阵向量对应的局部特征向量；
[0018]基于所述局部特征向量，确定所述全局特征向量。
[0019]在一些实施例中，所述基于所述全局特征向量，进行分类处理，获得所述故障类型之前，还包括：
[0020]基于粒子群优化方法，对SVM算法的参数进行优化；
[0021]所述参数包括：惩罚因子和高斯核函数参数。
[0022]在一些实施例中，所述基于所述全局特征向量，进行分类处理，获得所述故障类型，包括：
[0023]基于优化后的SVM算法，对所述全局特征向量进行分类处理，确定所述故障类型。
[0024]在一些实施例中，还包括：
[0025]基于F1‑
measure，对所述目标故障预测模型的性能进行评估；
[0026]所述F1‑
measure的计算公式如下：
[0027][0028]其中，Precison为所述目标故障预测模型的精确率；Recall为所述目标故障预测模型的召回率。
[0029]本专利技术还提供一种故障预测方法装置，包括：
[0030]获取模块，用于获取车载设备的待识别日志数据；
[0031]预测模块，用于输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型；
[0032]其中，所述输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型，进一步包括：
[0033]基于所述待识别日志数据，进行数据处理，获得所述待识别日志数据对应的词向量；
[0034]基于所述词向量，进行特征提取，获得所述词向量对应的全局特征向量；
[0035]基于所述全局特征向量，进行分类处理，获得所述故障类型。
[0036]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述故障预测方法。
[0037]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述故障预测方法。
[0038]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述故障预测方法。
[0039]本专利技术提供的故障预测方法、装置及存储介质，通过结合CBOW算法、CNN算法和SVM分类器，可以提高目标故障预测模型的准确性和实用性，从而目标故障预测模型对车载设备的待识别日志数据进行预测，实现快速实时地根据数据对故障进行准确预测和智能分类。
附图说明
[0040]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术
描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0041]图1是本专利技术实施例提供的故障预测方法的流程示意图；
[0042]图2是本专利技术实施例提供的目标故障预测模型的结构示意图；
[0043]图3是本专利技术实施例提供的基于粒子群优化算法优化SVM参数的方法的流程示意图；
[0044]图4是本专利技术实施例提供的故障预测装置的结构示意图；
[0045]图5是本专利技术实施例提供的电子设备的结构示意图。
具体实施方式
[0046]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0047]图1是本专利技术实施例提供的故障预测方法的流程示意图，参考图1，本专利技术实施例提供的故障预测方法，可以包括：
[0048]步骤101、获取车载设备的待识别日志数据；
[0049]步骤102、输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型；
[0050]其中，所述输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型，进一步包括：
[0051]基于所述待识别日志数据，进行数据处理，获得所述待识别日志数据对应的词向量；
[0052]基于所述词向量，进行特征提取，获得所述词向量对应的全局特征向量；
[0053]基于所述全局特征向量，进行分类处理，获得所述故障类型。
[0054]需要说明的是，本专利技术提供的故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种故障预测方法，其特征在于，包括：获取车载设备的待识别日志数据；输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型；其中，所述输入所述待识别日志数据至目标故障预测模型，获得所述目标故障预测模型输出的故障类型，进一步包括：基于所述待识别日志数据，进行数据处理，获得所述待识别日志数据对应的词向量；基于所述词向量，进行特征提取，获得所述词向量对应的全局特征向量；基于所述全局特征向量，进行分类处理，获得所述故障类型。2.根据权利要求1所述的故障预测方法，其特征在于，所述基于所述待识别日志数据，进行数据处理，获得所述待识别日志数据对应的文本向量，包括：对所述待识别日志数据进行分词处理；基于CBOW算法，确定分词处理后的待识别日志数据对应的词向量。3.根据权利要求1所述的故障预测方法，其特征在于，所述基于所述词向量，进行特征提取，获得所述词向量对应的全局特征向量，包括：基于所述词向量在所述待识别日志数据中出现的顺序，进行拼接，获取所述待识别日志数据对应的文本矩阵向量；对所述文本矩阵向量进行卷积处理，确定所述文本矩阵向量对应的局部特征向量；基于所述局部特征向量，确定所述全局特征向量。4.根据权利要求1所述的故障预测方法，其特征在于，所述基于所述全局特征向量，进行分类处理，获得所述故障类型之前，还包括：基于粒子群优化方法，对SVM算法的参数进行优化；所述参数包括：惩罚因子和高斯核函数参数。5.根据权利要求4所述的故障预测方法，其特征在于，所述基于所述全局特征向量，进行分类处理，获得所述故...

【专利技术属性】
技术研发人员：刘默涵，封博卿，隋秀玉，赵兴强，王英杰，魏小娟，汤晓明，舒心，郑浩森，陈现明，于子轩，刘阳学，潘佩芬，杨峰雁，秦健，王虎，李聪旭，
申请(专利权)人：中国铁道科学研究院集团有限公司中国铁道科学研究院集团有限公司电子计算技术研究所北京经纬信息技术有限公司，
类型：发明
国别省市：